論文の概要: Microseismic source imaging using physics-informed neural networks with
hard constraints
- arxiv url: http://arxiv.org/abs/2304.04315v2
- Date: Wed, 14 Feb 2024 21:02:10 GMT
- ステータス: 処理完了
- システム内更新日: 2024-02-17 00:11:55.111583
- Title: Microseismic source imaging using physics-informed neural networks with
hard constraints
- Title(参考訳): 物理インフォームドニューラルネットワークを用いた微小地震源イメージング
- Authors: Xinquan Huang, Tariq Alkhalifah
- Abstract要約: 物理インフォームドニューラルネットワーク(PINN)に基づく直接微動イメージングフレームワークを提案する。
PINNを用いてマルチ周波数波動場を表現し,その逆フーリエ変換を用いて音源画像の抽出を行う。
さらに,本手法をモニタリングフィールドデータの水理破砕に応用し,少ないアーティファクトで精度よくソースを画像化できることを実証する。
- 参考スコア(独自算出の注目度): 4.07926531936425
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Microseismic source imaging plays a significant role in passive seismic
monitoring. However, such a process is prone to failure due to aliasing when
dealing with sparsely measured data. Thus, we propose a direct microseismic
imaging framework based on physics-informed neural networks (PINNs), which can
generate focused source images, even with very sparse recordings. We use the
PINNs to represent a multi-frequency wavefield and then apply inverse Fourier
transform to extract the source image. To be more specific, we modify the
representation of the frequency-domain wavefield to inherently satisfy the
boundary conditions (the measured data on the surface) by means of a hard
constraint, which helps to avoid the difficulty in balancing the data and PDE
losses in PINNs. Furthermore, we propose the causality loss implementation with
respect to depth to enhance the convergence of PINNs. The numerical experiments
on the Overthrust model show that the method can admit reliable and accurate
source imaging for single- or multiple- sources and even in passive monitoring
settings. Compared with the time-reversal method, the results of the proposed
method are consistent with numerical methods but less noisy. Then, we further
apply our method to hydraulic fracturing monitoring field data, and demonstrate
that our method can correctly image the source with fewer artifacts.
- Abstract(参考訳): 微動源イメージングは受動的地震モニタリングにおいて重要な役割を果たす。
しかし、このプロセスは、疎測定データを扱う際に、エイリアスによって失敗しがちである。
そこで本研究では,物理に変形したニューラルネットワーク(pinns)を基盤とした直接型マイクロサイスミックイメージングフレームワークを提案する。
PINNを用いてマルチ周波数波動場を表現し,その逆フーリエ変換を用いて音源画像の抽出を行う。
より具体的には、周波数領域の波動場の表現をハード制約により本質的に境界条件(表面の測定データ)を満たすように修正し、PINNにおけるデータのバランスの困難さやPDE損失を回避するのに役立つ。
さらに,PINNの収束性を高めるために,深さに関する因果損失実装を提案する。
オーバースラストモデルを用いた数値実験により、単一または複数ソースおよびパッシブ監視環境においても、信頼性が高く正確なソースイメージングが可能となった。
時間反転法と比較して,提案法の結果は数値的手法と一致しているが,ノイズが少ない。
さらに,本手法をモニタリングフィールドデータの水理破砕に応用し,より少ないアーティファクトで精度良くソースを画像化できることを実証する。
関連論文リスト
- Misalignment-Robust Frequency Distribution Loss for Image Transformation [51.0462138717502]
本稿では,画像強調や超解像といった深層学習に基づく画像変換手法における共通の課題に対処することを目的とする。
本稿では、周波数領域内における分布距離を計算するための、新しいシンプルな周波数分布損失(FDL)を提案する。
本手法は,周波数領域におけるグローバル情報の思慮深い活用により,トレーニング制約として実証的に有効であることが実証された。
論文 参考訳(メタデータ) (2024-02-28T09:27:41Z) - ARCNet: An Asymmetric Residual Wavelet Column Correction Network for
Infrared Image Destriping [28.037564161552446]
赤外画像デストリップは、劣化した画像から高品質なコンテンツを復元しようとする。
最近の研究は、先行知識を利用して劣化した画像からストライプノイズを分離することで、この課題に対処している。
画像デストリップのための非対称残留ウェーブレット列補正ネットワーク(ARCNet)を導入する。
論文 参考訳(メタデータ) (2024-01-28T06:23:55Z) - Scalable Bayesian uncertainty quantification with data-driven priors for
radio interferometric imaging [6.0165399005655456]
次世代の電波干渉計は、前例のない角分解能と感度のおかげで、科学的発見を解き放つ可能性がある。
潜在的な可能性を解き放つ鍵の1つは、受信データの希薄さと複雑さを扱うことである。
本研究では,ラジオインターフェロメトリイメージングにおける不確実性定量化に対処するQuantifAIという手法を提案する。
論文 参考訳(メタデータ) (2023-11-30T19:00:02Z) - Low-Light Image Enhancement with Wavelet-based Diffusion Models [50.632343822790006]
拡散モデルは画像復元作業において有望な結果を得たが、時間を要する、過剰な計算資源消費、不安定な復元に悩まされている。
本稿では,DiffLLと呼ばれる高能率かつ高能率な拡散型低光画像強調手法を提案する。
論文 参考訳(メタデータ) (2023-06-01T03:08:28Z) - Degradation-Noise-Aware Deep Unfolding Transformer for Hyperspectral
Image Denoising [9.119226249676501]
ハイパースペクトル画像(HSI)は、帯域幅が狭いため、ノイズが多いことが多い。
HSIデータキューブのノイズを低減するため、モデル駆動型と学習型の両方の復調アルゴリズムが提案されている。
本稿では,これらの問題に対処するDNA-Net(Degradation-Noise-Aware Unfolding Network)を提案する。
論文 参考訳(メタデータ) (2023-05-06T13:28:20Z) - Representing Noisy Image Without Denoising [120.08257941277321]
ラドン空間におけるフラクショナルオーダーモーメント(FMR)は、ノイズの多い画像から直接ロバストな表現を引き出すように設計されている。
従来の整数順序法とは異なり、我々の研究は特別な場合のような古典的手法を取り入れたより汎用的な設計である。
論文 参考訳(メタデータ) (2023-01-18T10:13:29Z) - Deep learning based sferics recognition for AMT data processing in the
dead band [5.683853455697258]
AMT (Audio magnetotellurics) 音波データ処理では、ある時間帯における干渉信号の欠如は、一般的にATTデッドバンドのエネルギー不足をもたらす。
本稿では,長期にわたって冗長に記録されたデータからスフェリック信号を自動的に認識するディープ畳み込みニューラルネットワーク(CNN)を提案する。
本手法はS/Nを大幅に改善し, デッドバンドのエネルギー不足を効果的に解決する。
論文 参考訳(メタデータ) (2022-09-22T02:31:28Z) - Denoising Diffusion Restoration Models [110.1244240726802]
Denoising Diffusion Restoration Models (DDRM) は効率的で教師なしの後方サンプリング手法である。
DDRMの汎用性を、超高解像度、デブロアリング、インペイント、カラー化のためにいくつかの画像データセットに示す。
論文 参考訳(メタデータ) (2022-01-27T20:19:07Z) - Learning by example: fast reliability-aware seismic imaging with
normalizing flows [0.76146285961466]
本研究では, 近隣調査から得られた地震データから, 後方分布を安価にサンプリングできる正規化流(NF)を訓練する。
これらのサンプルを用いて,画像の信頼性に関する最初の評価を含む高忠実度画像の計算を行う。
論文 参考訳(メタデータ) (2021-04-13T15:13:45Z) - Deep Networks for Direction-of-Arrival Estimation in Low SNR [89.45026632977456]
我々は,真の配列多様体行列の変異チャネルデータから学習した畳み込みニューラルネットワーク(CNN)を導入する。
我々は低SNR体制でCNNを訓練し、すべてのSNRでDoAを予測する。
私たちの堅牢なソリューションは、ワイヤレスアレイセンサーから音響マイクロフォンやソナーまで、いくつかの分野に適用できます。
論文 参考訳(メタデータ) (2020-11-17T12:52:18Z) - Variational Denoising Network: Toward Blind Noise Modeling and Removal [59.36166491196973]
ブラインド画像のデノイングはコンピュータビジョンにおいて重要な問題であるが、非常に難しい問題である。
本稿では,ノイズ推定と画像デノーミングを併用した新しい変分推論手法を提案する。
論文 参考訳(メタデータ) (2019-08-29T15:54:06Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。